CN111626078A - 识别车道线的方法及装置 - Google Patents

Abstract

本申请公开了一种识别车道线的方法及装置，该识别车道线的方法包括：利用相机获取包含车道线的图像；利用车道线识别模型分析图像，确定多个第一感知点；基于预设规则，从多个第一感知点中确定出多个第二感知点；根据多个第二感知点拟合车道线，并确定车道线的位置信息。本申请的技术方案通过利用车道线识别模型分析包含车道线的图像以确定多个第一感知点，并基于预设规则从多个第一感知点中确定多个第二感知点，进而拟合出车道线，从而可以提高车道线识别的准确率，提高驾驶的安全性。

Description

识别车道线的方法及装置

技术领域

本发明涉及先进驾驶辅助系统技术领域，具体涉及一种识别车道线的方法及装置。

背景技术

车道线作为智能驾驶中最重要的信息之一，可以改善交通中的不良驾驶、减少交通风险、提高行车安全。现有的基于对图像进行直接处理(如颜色和梯度)来检测车道线的方法，对光照要求比较高、且在车道线模糊时的检测效果较差；而基于语义分割检测车道线的方法，其耗时较多、且模型比较大，很多先进驾驶辅助系统(Advanced DriverAssistance System，ADAS)很难应用起来。

发明内容

为了解决上述技术问题，本申请的实施例提供了一种识别车道线的方法及装置。

根据本申请的一个方面，提供了一种识别车道线的方法，包括：利用相机获取包含车道线的图像；利用车道线识别模型分析图像，确定多个第一感知点；基于预设规则，从多个第一感知点中确定出多个第二感知点；根据多个第二感知点拟合车道线，并确定车道线的位置信息。

根据本申请的另一个方面，提供了一种识别车道线的装置，包括：获取模块，用于利用相机获取包含车道线的图像；第一确定模块，用于利用车道线识别模型分析图像，确定多个第一感知点；第二确定模块，用于基于预设规则，从多个第一感知点中确定出多个第二感知点；第三确定模块，用于根据多个第二感知点拟合车道线，并确定车道线的位置信息。

根据本申请的又一个方面，提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述的识别车道线的方法。

根据本申请的又一个方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述的识别车道线的方法。

本申请实施例提供了一种识别车道线的方法及装置，通过利用车道线识别模型分析包含车道线的图像以确定多个第一感知点，并基于预设规则从多个第一感知点中确定多个第二感知点，进而拟合出车道线，从而可以提高车道线识别的准确率，提高驾驶的安全性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本申请一示例性实施例提供的车道线识别系统的系统架构示意图。

图2是本申请一示例性实施例提供的车道线识别方法的流程示意图。

图3是本申请另一示例性实施例提供的车道线识别方法的流程示意图。

图4是本申请一示例性实施例提供的车道线识别装置的结构示意图。

图5是本申请一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

先进驾驶辅助系统可以通过安装于车上的摄像头等传感器采集车外的图像信息，并基于图像信息判断车道线的位置，从而为驾驶者提供便利、安全的行车条件。

可以采用如下两种方法实现车道线检测：一种是基于对图像进行直接处理的方法，该方法基于颜色、梯度直接在图像中检测车道线的位置，但是该方法对光照的适应性差，比如白天和夜晚需要不同的阈值，而且模糊车道线也很难检测出来；第二种是基于语义分割的车道线检测方法，该方法模型比较大、耗时较多，对于很多ADAS平台、尤其是后装的ADAS平台很难应用起来。

示例性系统

图1是本申请一示例性实施例提供的车道线识别系统的系统架构示意图，其示出了一种对车道线进行识别的应用场景。如图1所示，该系统包括电子设备10和图像采集设备20(例如，摄像头，该摄像头可以安装在车辆或机器人上)。在车辆或机器人行驶过程中，图像采集设备20可以用于采集包含车道线的图像。电子设备10用于从图像采集设备20接收图像信号，并对该图像信号进行处理，以识别出图像中的车道线，进而根据车道线的位置控制车辆或机器人的驾驶方向。

需要说明的是，本申请中的图像采集设备20也可以集成在电子设备10上。

需要注意的是，上述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施例并不限于此。相反，本申请的实施例可以应用于可能适用的任何场景。

示例性方法

图2是本申请一示例性实施例提供的车道线识别方法的流程示意图。本实施例的执行主体例如可以是图1中的电子设备，如图2所示，该方法包括如下步骤：

步骤210：利用相机获取包含车道线的图像。

在本实施例中，以车辆行驶过程中的车道线识别为例对本申请的技术方案进行详细的说明。该方法的执行主体(电子设备)可以是车载系统(例如ADAS)的控制器。

相机可以安装在挡风玻璃的中上部位置或者其他合适位置，以保证拍摄视野范围较大的图像、保证车道线更多地且清晰地位于图像中，进而便于准确地识别车道线。

步骤220：利用车道线识别模型分析图像，确定多个第一感知点。

车道线识别模型可以是级联分类器，利用该级联分类器分析图像，以确定位于车道线上的多个第一感知点，可以提高整个分析过程的运算速度，并提高在光线较暗、天气不好导致视线不好等环境下的车道线识别的准确率。

当然，本申请实施例中的车道线识别模型也可以是其他可以提高运算速度的模型。

由于每条车道线具有一定的宽度，因此，多个第一感知点可以是位于车道线的轮廓线上的点，这样可以增加整个分析过程的运算速度；当然，多个第一感知点也可以是位于整个车道线宽度范围内的点，这样可以增加车道线识别的准确率。在本实施例中，以多个第一感知点是位于整个车道线宽度范围内的点为例进行说明。

各个第一感知点之间的间距可以是相等的或不等的，例如，当间距不等时，位于车道线中间区域(沿车道线宽度方向的中间区域)的第一感知点之间的间距可以大于位于车道线边缘位置的第一感知点之间的间距；当间距相等时，相邻第一感知点之间的间距的大小可以根据实际情况进行设定，本申请对此不做具体地限定。

步骤230：基于预设规则，从多个第一感知点中确定出多个第二感知点。

由步骤220确定的多个第一感知点中可能会存在误检测的第一感知点，即，有些第一感知点不是位于真实的车道线上的点，可能只是比较靠近真实的车道线，而被车道线识别模型确定为第一感知点，这样会使得最终识别出的车道线与真实的车道线有偏差。因此，在本实施例中，可以通过预设规则，对多个第一感知点进行过滤，排除多个第一感知点中被误检测的第一感知点，进而从多个第一感知点中确定多个第二感知点，从而进一步提高车道线识别的准确率。

步骤240：根据多个第二感知点拟合车道线，并确定车道线的位置信息。

具体地，控制器可以根据拍摄图像的相机的参数在图像上设置虚拟的坐标系，该坐标系的原点可以是车辆所在的位置，例如可以是车辆上的相机的中心位置为坐标原点，当然也可以设置图像中的其他位置为坐标原点。控制器可以根据虚拟坐标系获取各个感知点的坐标，进而可以根据第二感知点的坐标拟合出车道线，从而得到车道线在现实场景中的精确位置。

在获得车道线的位置信息后，控制器可以进一步获得车道线与车辆之间的距离大小，若距离大小满足预设阈值，则可以通过语音、警铃和/或视频显示等方式指示驾驶人员执行相应的操作等。例如，当两条车道线中存在一条车道线与车辆之间的距离小于第一预设阈值时，则可以指示驾驶人员执行远离该条车道线的操作；当两条车道线中存在一条车道线与车辆之间的距离大于或等于第二预设阈值时，则可以指示驾驶人员执行靠近该条车道线的操作。第一预设阈值和第二预设阈值可以相等，也可以不等，可根据实际情况进行设定。

在检测车道线与车辆之间的位置时，可以只检测两条车道线中的一条车道线与车辆的距离，这样可以减小运算负担，提高运算速度；当然，也可以分别检测两条车道线与车辆之间的距离，进而向用户发送相应的指示，这样可以进一步增强驾驶的安全性。

在本实施例中，根据第二感知点的坐标拟合车道线可以采用以下方法：曲线拟合、最小二乘拟合或滤波拟合等。

本申请实施例提供了一种识别车道线的方法，通过利用车道线识别模型分析包含车道线的图像以确定多个第一感知点，并基于预设规则从多个第一感知点中确定多个第二感知点，进而拟合出车道线，从而可以提高车道线识别的准确率，提高驾驶的安全性。

根据本申请一实施例，图2的方法还包括：根据相机的参数将图像中的部分地面区域转换为地面逆透视变换图像，其中，220包括：利用车道线识别模型分析地面逆透视变换图像，确定多个第一感知点。

由于通过相机拍摄图像时，相机与地面之间会存在一定的俯瞰角度，这样使得在现实世界中本来平行的两条车道线(真实的车道线)，在图像中会呈一定的夹角，即，在图像中，离车辆越远的位置，两条车道线之间的距离越近。如果直接利用车道线识别模型分析该图像，可能会使得最终识别的车道线与真实的车道线之间存在偏差。而且，该图像中除了包含车道线以外，可能还会包含其他的事物，比如，该图像中可能会有大部分区域是被车辆远处的天空，车辆两旁的树木等占据着，这样在分析图像时，这些事物的存在会增加车道线识别模型的运算负担、降低其运算速度。

所以，可以根据相机的参数将图像中的部分地面区域(包含车道线的区域)转换为地面逆透视变换图像，其中，该部分地面区域可以是车辆前方部分区域的地面，而不包括离车辆较远处的地面，该地面逆透视变换图像可以是将部分地面区域中呈一定夹角的车道线还原成平行或近似平行的车道线的图像。这样，通过将图像中的部分地面区域转换为地面逆透视变换图像，进而利用车道线识别模型分析地面逆透视变换图像，以确定多个第一感知点，可以提高车道线识别模型的运算速度以及识别车道线的准确率。

在本实施例中，部分地面区域的选取范围可以预先设定，比如可以是车辆前后左右一定长度方位内的区域。

根据本申请一实施例，230包括：基于地面逆透视变换图像的梯度信息确定车道线的轮廓信息；基于轮廓信息对多个第一感知点进行筛选，确定多个第二感知点。

具体地，梯度信息可以是指图像中颜色的变化梯度。由于车道线位置上颜色的变化梯度与周围的事物不同，因此通过获取地面逆透视变换图像的梯度信息，可以根据颜色的变化梯度确定地面逆透视变换图像中的车道线的位置信息以及车道线的轮廓信息。

进一步地，通过结合基于车道线识别模型获得的多个第一感知点以及基于梯度信息获得的车道线的轮廓信息，判断第一感知点是否在车道线的轮廓内，进而过滤掉不在车道线的轮廓内的第一感知点，并将位于车道线的轮廓内的第一感知点确定为第二感知点，以根据第二感知点拟合车道线。

具体地，车道线的轮廓信息可以通过曲线方程进行表征，比如，一条车道线包括两条轮廓线，通过判断第一感知点的坐标是否位于该两条轮廓线围成的区域内，进而对第一感知点进行筛选。当然，车道线的轮廓信息也可以是其他可以对第一感知点进行筛选的信息，本申请对此不做限定。

在本实施例中，基于车道线识别模型获得多个第一感知点、以及基于梯度信息获得车道线的轮廓信息，可以是并行的。即，通过结合基于车道线识别模型获得的多个第一感知点以及基于梯度信息获得的车道线的轮廓信息以确定多个第二感知点，进而根据多个第二感知点拟合车道线，可以弥补两种方法各自的不足，进而在提高运算速度的同时提高车道线识别的准确率。

当然，也可以先基于梯度信息获得车道线的轮廓信息，再基于车道线识别模型获得多个第一感知点；或者，先基于车道线识别模型获得多个第一感知点，再基于梯度信息获得车道线的轮廓信息，本申请对此不做限定。

根据本申请一实施例，图2的方法还包括：基于预设的车道线宽度，从多个第二感知点中确定多个第三感知点，其中，240包括：根据多个第三感知点拟合车道线，并确定车道线的位置信息。

由于每条车道线具有一定的宽度，可以根据车道线的宽度对多个第二感知点再进行过滤。例如，以一条车道线为例，在垂直于车道线长度的方向上(假设是水平方向)，从车道线的一侧向另一侧进行扫描，若检测到某一水平线上最外侧的两个第二感知点之间的距离大于第三预设阈值或小于第四预设阈值，则删除该条水平线上的所有第二感知点，并将剩下的第二感知点确定为第三感知点，进而利用第三感知点拟合车道线。这样，可以避免出现以下情况：例如车道线的颜色是白色，且在车道线附近的地面上存在小白斑，这样，在识别车道线时，该小白斑可能会被误确定为第二感知点。

在本实施例中，第三预设阈值和第四预设阈值可以相等也可以不等，且第三预设阈值可以大于、小于或等于实际的车道线宽度，这可以根据实际情况进行设定。同样地，第四预设阈值与第三预设阈值类似，在此不再赘述。本实施例通过基于预设的车道线宽度，对多个第二感知点进行筛选，可以避免被误检测的第二感知点对后续拟合车道线产生影响，进而进一步提高车道线识别的准确率。

根据本申请一实施例，图2的方法还包括：标定相机的参数；判断相机的参数是否标定成功，若相机的参数标定成功，则执行根据相机的参数将图像中的部分地面区域转换为地面逆透视变换图像的步骤。

通过标定相机的参数，可以建立空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系。通过标定相机的参数进而将图像中的部分地面区域转换为地面逆透视变换图像，可以使得地面逆透视变换图像较为真实地还原现实三维空间内各物体之间的位置关系，进而提高车道线识别的准确率。

相机的参数包括外参和内参，外参可以包括相机的安装位置、安装姿态角度等；内参可以包括焦距、像素大小、光心位置、畸变参数等。

在标定相机的参数的过程中，可以通过测试大量的样本图像进行标定，进而获得相机的内外参数。相机的参数标定好以后，可以以配置文件的形式保存起来。这里的样本图像可以是相机直接采集获得的场景图像，且样本图像中可以包括车道线，也可以不包括车道线。

在实际使用图2的方法识别车道线时，可以先检测是否存在该配置文件，即判断相机的参数是否标定成功，若存在该配置文件，则标定成功，可以直接根据相机的参数将图像中的部分地面区域转换为地面逆透视变换图像。若不存在该配置文件，则标定失败。若标定失败，可以执行标定相机的参数的步骤，并在标定成功后，执行根据相机的参数将图像中的部分地面区域转换为地面逆透视变换图像的步骤。

根据本申请一实施例，图2的方法还包括：从地面逆透视变换图像上确定车辆的位置信息；根据车辆的位置信息和车道线的位置信息，确定车辆与车道线之间的距离。

由于地面逆透视变换图像可以较为真实地还原现实世界中的场景(将部分地面区域中呈一定夹角的车道线还原成现实世界中平行或近似平行的车道线)，因此，通过地面逆透视变换图像上车辆和车道线的位置信息，可以获得车辆和车道线在现实世界中的位置关系，进而可以对车辆的行驶做出较为准确的引导，以提高行驶的安全性。具体地，车道线与车辆之间距离的计算过程，可以参见上述对步骤240的详细描述，为避免重复，在此不再赘述。

根据本申请一实施例，图2的方法还包括：基于多个包含已标注车道线的样本图像，训练车道线识别模型。

样本图像中包含车道线，且车道线的位置可以提前标注出来。通过车道线识别模型分析该样本图像以确定位于车道线上的多个第一感知点后，根据多个第一感知点是否位于提前标注的车道线上，来调整车道线识别模型的参数。通过多个包含已标注车道线的样本图像训练车道线识别模型，可以不断地调整车道线识别模型的参数，进而获得识别率高的车道线识别模型。

在本实施例中，样本图像可以是相机直接采集获得的场景图像，也可以是对场景图像进行转换后获得的地面逆透视变换图像。

多个样本图像可以包括白天、黑夜、晴天、阴天等多种天气条件，拥堵、稀疏等多种路况条件，车道线清楚、车道线模糊等多种路面条件，从而提高车道线识别模型在不同场景下的适应性和鲁棒性。

图3是本申请另一示例性实施例提供的车道线识别方法的流程示意图。图3是图2的例子，为避免重复，相同部分不做具体解释。如图3所示，该车道线识别方法包括以下内容。

步骤310：基于多个包含已标注车道线的样本图像，训练车道线识别模型。

具体地，该车道线识别模型可以是级联分类器，利用级联分类器识别车道线，可以提高车道线识别的速度。

步骤310是可选步骤，即，车道线识别模型可以在执行车道线识别方法之前已经训练完成。

步骤320：标定相机的参数。

相机的参数的标定过程可以参见上述图2中的具体描述，在此不作赘述。

步骤320是可选步骤，即，步骤320可以在执行车道线识别方法之前执行。

步骤330：利用相机获取包含车道线的图像。

步骤340：判断相机的参数是否标定成功，若相机的参数标定成功，则执行步骤350，若相机的参数标定失败，则重复执行步骤320。

具体地，相机的参数标定好以后，可以以配置文件的形式保存起来。在执行步骤340时，可以通过检测是否存在该配置文件，来判断相机的参数是否标定成功。

步骤350：根据相机的参数将图像中的部分地面区域转换为地面逆透视变换图像。

地面逆透视变换图像可以较为真实地还原现实三维空间内各物体之间的位置关系，进而提高车道线识别的准确率。

步骤360：利用车道线识别模型分析地面逆透视变换图像，确定多个第一感知点。

步骤370：基于地面逆透视变换图像的梯度信息确定车道线的轮廓信息，并基于轮廓信息对多个第一感知点进行筛选，确定多个第二感知点。

具体地，梯度信息的获取过程可以在步骤360之前或步骤360之后执行，当然，也可以与步骤360同时执行，本申请对此不做限制。

步骤380：基于预设的车道线宽度，从多个第二感知点中确定多个第三感知点。

通过两次筛选，即从多个第一感知点中确定多个第二感知点，再从多个第二感知点中确定多个第三感知点，可以进一步地提高车道线识别的准确率。

步骤390：根据多个第三感知点拟合车道线，并确定车道线的位置信息，以及确定车辆与车道线之间的距离。

具体地，可以从地面逆透视变换图像上确定车辆的位置信息，根据车辆的位置信息和车道线的位置信息，确定车辆与车道线之间的距离，从而可以对车辆的行驶做出较为准确的引导，以提高行驶的安全性。

示例性装置

图4是本申请一示例性实施例提供的车道线识别装置400的结构示意图。如图4所示，该装置400包括：获取模块410，第一确定模块420，第二确定模块430以及第三确定模块440。

获取模块410用于利用相机获取包含车道线的图像；第一确定模块420用于利用车道线识别模型分析图像，确定多个第一感知点；第二确定模块430用于基于预设规则，从多个第一感知点中确定出多个第二感知点；第三确定模块440用于根据多个第二感知点拟合车道线，并确定车道线的位置信息。

本申请实施例提供了一种识别车道线的装置，通过利用车道线识别模型分析包含车道线的图像以确定多个第一感知点，并基于预设规则从多个第一感知点中确定多个第二感知点，进而拟合出车道线，从而可以提高车道线识别的准确率，提高驾驶的安全性。

根据本申请一实施例，装置400还包括：转换模块450，用于根据相机的参数将图像中的部分地面区域转换为地面逆透视变换图像，其中，第一确定模块420用于利用车道线识别模型分析地面逆透视变换图像，确定多个第一感知点。

根据本申请一实施例，第二确定模块430用于基于地面逆透视变换图像的梯度信息确定车道线的轮廓信息，并基于轮廓信息对多个第一感知点进行筛选，确定多个第二感知点。

根据本申请一实施例，第二确定模块430还用于基于预设的车道线宽度，从多个第二感知点中确定多个第三感知点，其中，第三确定模块440用于根据多个第三感知点拟合车道线，并确定车道线的位置信息。

根据本申请一实施例，装置400还包括：标定模块460，用于标定相机的参数；判断模块470，用于判断相机的参数是否标定成功。若相机的参数标定成功，则转换模块450根据相机的参数将图像中的部分地面区域转换为地面逆透视变换图像。

在本实施例中，若相机的参数标定失败，则标定模块460重复标定相机的参数。

根据本申请一实施例，第三确定模块440还用于从地面逆透视变换图像上确定车辆的位置信息，并根据车辆的位置信息和车道线的位置信息，确定车辆与车道线之间的距离。

根据本申请一实施例，装置400还包括：训练模块480，用于基于多个包含已标注车道线的样本图像，训练车道线识别模型。

具体地，图4中各个模块的具体工作过程以及效果，可以参见上述图2和图3中的描述，在此不再赘述。

示例性电子设备

下面，参考图5来描述根据本申请实施例的电子设备。该电子设备50可以执行上述的识别车道线的过程。

图5图示了根据本申请实施例的电子设备的框图。

如图5所示，电子设备50包括一个或多个处理器51和存储器52。

处理器51可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备50中的其他组件以执行期望的功能。

存储器52可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器51可以运行所述程序指令，以实现上文所述的本申请的各个实施例的识别车道线方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如图像信号、相机的参数、梯度信息等各种内容。

在一个示例中，电子设备50还可以包括：输入装置53和输出装置54，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，该输入装置53可以是上述的相机，用于捕捉图像的输入信号。在该电子设备是单机设备时，该输入装置53可以是通信网络连接器，用于从相机接收所采集的输入信号。

此外，该输入设备53还可以包括例如键盘、鼠标等等。

该输出装置54可以向外部输出各种信息，包括确定出的位置信息、距离信息等。该输出设备54可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图5中仅示出了该电子设备50中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备50还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的识别车道线的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的识别车道线的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种识别车道线的方法，包括：

利用相机获取包含车道线的图像；

利用车道线识别模型分析所述图像，确定多个第一感知点；

基于预设规则，从所述多个第一感知点中确定出多个第二感知点；

根据所述多个第二感知点拟合所述车道线，并确定所述车道线的位置信息。

2.根据权利要求1所述的方法，还包括：

根据所述相机的参数将所述图像中的部分地面区域转换为地面逆透视变换图像，

其中，所述利用车道线识别模型分析所述图像，确定多个第一感知点，包括：

利用所述车道线识别模型分析所述地面逆透视变换图像，确定所述多个第一感知点。

3.根据权利要求2所述的方法，其中，所述基于预设规则，从所述多个第一感知点中确定出多个第二感知点，包括：

基于所述地面逆透视变换图像的梯度信息确定所述车道线的轮廓信息；

基于所述轮廓信息对所述多个第一感知点进行筛选，确定所述多个第二感知点。

4.根据权利要求3所述的方法，还包括：

基于预设的车道线宽度，从所述多个第二感知点中确定多个第三感知点，

其中，所述根据所述多个第二感知点拟合所述车道线，并确定所述车道线的位置信息，包括：

根据所述多个第三感知点拟合所述车道线，并确定所述车道线的位置信息。

5.根据权利要求2所述的方法，还包括：

标定所述相机的参数；

判断所述相机的参数是否标定成功，若所述相机的参数标定成功，则执行所述根据所述相机的参数将所述图像中的部分地面区域转换为地面逆透视变换图像的步骤。

6.根据权利要求2中所述的方法，还包括：

从所述地面逆透视变换图像上确定车辆的位置信息；

根据所述车辆的位置信息和所述车道线的位置信息，确定所述车辆与所述车道线之间的距离。

7.根据权利要求1至6中的任一项所述的方法，还包括：

基于多个包含已标注车道线的样本图像，训练所述车道线识别模型。

8.一种识别车道线的装置，包括：

获取模块，用于利用相机获取包含车道线的图像；

第一确定模块，用于利用车道线识别模型分析所述图像，确定多个第一感知点；

第二确定模块，用于基于预设规则，从所述多个第一感知点中确定出多个第二感知点；

第三确定模块，用于根据所述多个第二感知点拟合所述车道线，并确定所述车道线的位置信息。

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至7中任一项所述的识别车道线的方法。

10.一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器，

其中，所述处理器用于执行上述权利要求1至7中任一项所述的识别车道线的方法。

Images